第7章-随机算法v1.1试编.pptxVIP

第7章 随机化算法 学习要点 2 理解产生伪随机数的方法 掌握数值随机化算法的设计思想 掌握拉斯维加斯算法的设计思想 掌握舍伍德算法的设计思想 掌握蒙特卡罗算法的设计思想 算法设计与分析 随机化算法的特点 当算法执行过程中面临选择时，随机化算法通常比最优选择算法省时。 对所求问题的同一实例用同一随机化算法求解两次，两次求解所需的时间甚至所得的结果可能有相当大的差别。 设计思想简单，易于实现。 算法设计与分析 3 随机数 4 随机数在随机化算法设计中扮演着十分重要的角色。在现实计算机上无法产生真正的随机数，因此在随机化算法中使用的随机数都是一定程度上随机的，即伪随机数。 线性同余法是产生伪随机数的最常用的方法。由线性同余法产生的随机序列a0,a1,…,an满足 其中b?0，c?0，d?m。d称为该随机序列的种子。如何选取该方法中的常数b、c和m直接关系到所产生的随机序列的随机性能。这是随机性理论研究的内容，已超出本书讨论的范围。从直观上看，m应取得充分大，因此可取m为机器大数，另外应取gcd(m,b)=1，因此可取b为一素数。 算法设计与分析 随机化算法的分类 算法设计与分析 5 数值随机化算法 6 算法设计与分析 算法设计与分析 7 用随机投点法计算?值 设有一半径为r的圆及其外切四边形。向该正方形随机地投掷n个点。设落入圆内的点数为k。由于所投入的点在正方形上均匀分布，因而所投入的点落入圆内的概率为 。所以当n足够大 时，k与n之比就逼近这一概率。从而 double Darts(int n) { // 用随机投点法计算?值 static RandomNumber dart; int k=0; for (int i=1;i =n;i++) { double x=dart.fRandom(); double y=dart.fRandom(); if ((x*x+y*y)=1) k++; } return 4*k/double(n); } 算法设计与分析 8 计算定积分 设f(x)是[0，1]上的连续函数，且0?f(x)?1。 需要计算的积分为 ,积分I等于图中的面积G。 在图所示单位正方形内均匀地作投点试验，则随机点落在曲线下面的概率为 假设向单位正方形内随机地投入n个点(xi,yi)。如果有m个点落入 G内，则随机点落入G内的概率 计算连续函数积分的算法 double Darts (int n) { double x, y; int k = 0; for (int i=1; i=n; i++) { x=Random(); /*随机产生一个(0,1)区间的数*/ y=Random(); if (y=f(x)) k++; } return k/double(n); } 算法设计与分析 9 随机抽样 在n个元素的集合中随机抽取m(0m≤n)个无重复的元素。为简单起见，假定所有元素的值都位于1至n之间。 算法设计与分析 10 随机抽样 我们采用下面的方法进行选择： 1、首先将n个元素都标记为“未选择”； 2、重复下列步骤直到抽取了m个不同的元素 ⑴产生一个1至n间的随机数r； ⑵如果r标记为“未选择”，将它标记为“已选择”，并加入到抽样中。 算法设计与分析 11 随机抽样算法 int RandomSampling(S[n], A[m], m) { /* 本函数在有n个元素的数组S中随机抽取m个不同的元素存放到数组A中 */ mark[1..n] = False; count=0; while(count m) { r = random(1, n); if (mark[r] == False) { count++; A[count]=S[r]; mark[r]=True; }}} 算法设计与分析 12 随机抽样算法评估 算法空间复杂度为O(n) ，时间复杂度也为O(n)。 需要一个长度为n的数组标记每个整数。如果n很大而m很小，这种空间上的浪费是比较大的。要解决这个问题需要设计一个比较好的杂凑函数。 当抽取的元素逐步增加时，要随机抽取下个无重复的元素所需要的时间也越来越长。 当m=n/2时，选择n-m个元素，抛弃掉它们并将剩余元素作为抽样。 算法设计与分析 13 舍伍德算法 舍伍德算法总能求得问题的一个解，且所求得解的结果总是正确的。其主要目的是消